铁甲雄心机器人建造成本_玄武10移动抓取机器人帮助解决具有挑战性的任务

在讨论机器人技术和人工智能的未来时，对话通常围绕替代人的焦虑感。机器人最终将使许多人工任务和职责变得多余吗？然而，其他一些对未来的机器人集成工作更为乐观的人则认为，机器人与人之间的协作潜力巨大。

玄武10，在Ridegeback上集成了UR协作机械臂

伸出援助之手

在空间和地面自主机器人系统(STARS)实验室在多伦多大学的研究所航天研究就是这样的一个团队，致力于将机器人走出实验室，进入现实世界，以帮助个人与他们的日常生活。移动机械手可以帮助减轻通常对人类来说太危险，重复，乏味甚至无法完成的任务。在一个雄心勃勃的项目中，我们的Ridgeback平台与协作机械臂相结合，STARS实验室团队正在探索人类环境中移动操纵任务的各种应用。

与许多学术团队一样，STARS实验室由讲师和学生组成，由乔纳森·凯利(Jonathan Kelly)教授领导，他的研究得到了包括特雷弗·阿夫莱特(Trevor Ablett)，阿比纳夫·格罗弗(Abhinav Grover)，奥利弗·利莫约(Oliver Limoyo)，菲利普·马里奇(FilipMarić)和菲利普·纳多(Philippe Nadeau)在内的几名学生的协助。这个团队正在共同开发最先进的机器学习技术，以提高传统机器人系统(静态机器人操纵器)的功能，从而使机器人能够完成具有挑战性的移动操作任务。为此，他们正在研究无模型，基于模型，模仿和强化学习的各种组合。

但是，采用这种雄心勃勃的方法所面临的最大挑战是，人类具有超乎寻常的智慧，洞察力和灵巧性。实际上，即使对于最先进的机器人而言，对于人类来说似乎很基本的任务也很难实现。实际上，研究人员仍然不是100％地确定人类如何有效地有效执行如此广泛的任务。因此，STARS实验室团队积极探索如何使机器在一天之内变得像人一样高效和通用。

Clearpath以前已经为多伦多大学的其他实验室提供了许多集成系统，并且这些机器已成功用于各种研究项目

分解玄武系统

在他们的项目中，全向Ridgeback充当了灵巧的人身安全/协作式机器人手臂(例如UR10)，灵巧的抓手(Robotiq 3指抓手)和力扭矩传感器(Robotiq FT传感器)的基础，以及Clearpath的预装ROS软件。借助开箱即用的即用型系统，该团队能够专注于问题的编程方面，而不必担心从头开始开发强大的硬件系统。如果没有Ridgeback，他们将不得不分别购买和集成每个机器人组件，或者不得不使用裸露的电子组件从头开始设计自己的平台。在他们的研究中，他们发现这种选择是不可行或不合算的。

STARS实验室团队的另一个大担忧是时间浪费。由于他们的主要目标在编程方面起作用，因此他们知道，他们不想冒险在自己的初始设计，工程和建造过程中遇到问题。换句话说，他们需要可靠的东西。正如STARS实验室的负责人乔纳森·凯利(Jonathan Kelly)所说：“ Clearpath以前曾向多伦多大学的其他实验室提供许多集成系统，这些机器已成功用于各种研究项目。” 因此，由于Ridgeback强大的构建质量，很少的硬件维护以及Clearpath的广泛技术支持，该团队得以专注于自己的研究。

向夏令营演示移动机械臂

人类竞争

让我们深入研究其系统测试的一些规范。STARS团队使用无模型的强化学习策略(Machine Learning)，基于对容易获取的传感器数据(来自相机RGB和深度图像，末端执行器位置，抓手)的测量，在真实的Ridgeback硬件上生成末端执行器速度命令位置，力扭矩值)。这使团队可以在真正的硬件上看到他们的算法训练的结果，而不仅仅是在仿真中。在另一个实验中，他们开发了一个正向预测模型，该模型能够根据给定的{image，action，next image}元组数据集来预测未来的图像(在外观方面)。

为了完成大部分测试，STARS Lab专注于传感器，这些传感器不需要额外的设置，并且可以与对象进行更像人类的交互。正如他们发现的那样，仅视觉感应不足以完成许多任务(例如，对于公差要求严格的插入)。这就是为什么在端对端学习方法中，他们依靠使用手臂关节编码器，安装在传感器桅杆上的摄像头和力扭矩传感器(其有效载荷作为抓取器)和任何与任务相关的对象。

玄武10在STARS团队开箱照片

通过他们的研究，该团队成功地建立了他们的模仿学习框架(即，基于收集的数据积极地工作以复制过程)已应用于使用现成的VR控制器对机器人进行遥控操作的人类。此外，由于该概念已在其Ridgeback项目中得到验证，因此他们还相信该应用程序可以扩展到各种不同的移动操作设置和场景。这为挑战当前的移动操纵器和机器人遥操作提供了多种不同应用和方式的可能性。这导致他们开始建立核心行业合作伙伴关系，以利用他们的发现。他们最近还在 IEEE/RSL International Conference on Intelligent Robots and Systems (IROS),发表了他们的发现。，表明他们的基于模型的预测模型可以与Kalman过滤器结合使用，以改善嘈杂的可视数据的性能。团队一直在寻求改进自己的理论，并开发出新颖而令人兴奋的方式来推动机器人技术超越其极限。

要了解有关STARS实验室正在进行的工作的更多信息，请访问其网站。(https://starslab.ca/)。

要了解有关我们的Ridgeback平台及其如何提升下一个项目的更多信息，可以在Clearpath网站上了解更多信息。http://www.clearpathcn.com